KR20220096744A - 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법 - Google Patents

심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20220096744A
KR20220096744A KR1020200189466A KR20200189466A KR20220096744A KR 20220096744 A KR20220096744 A KR 20220096744A KR 1020200189466 A KR1020200189466 A KR 1020200189466A KR 20200189466 A KR20200189466 A KR 20200189466A KR 20220096744 A KR20220096744 A KR 20220096744A
Authority
KR
South Korea
Prior art keywords
vector
log information
purchase
candidate
learning
Prior art date
Application number
KR1020200189466A
Other languages
English (en)
Inventor
조승희
Original Assignee
주식회사 플라노그램
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 플라노그램 filed Critical 주식회사 플라노그램
Priority to KR1020200189466A priority Critical patent/KR20220096744A/ko
Publication of KR20220096744A publication Critical patent/KR20220096744A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G06N3/0472—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

리뷰어를 선정하기 위한 장치가 제공된다. 상기 장치는 신청자의 사이트 내에서의 활동 기록인 로그정보를 추출하는 데이터처리부와, 로그정보를 심층학습모델인 선정모델에 입력하여 선정모델이 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 통해 리뷰어 선정에 대한 우선순위를 확률로 표현한 후보등급벡터를 산출하도록 하고, 상기 후보등급벡터를 참조로 상기 신청자의 후보 등급을 결정하는 선정부를 포함한다.

Description

심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법{Apparatus for selecting reviewers based on deep learning model (DLM) and method for the same}
본 발명은 리뷰어를 선정 기술에 관한 것으로, 보다 상세하게는, 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법에 관한 것이다.
사용자 제작 콘텐츠(UGC: User-generated content, 혹은 UCC: user-created content), 사용자 창작 콘텐츠, 손수제작물은 일반인이 만든 동영상, 글, 사진 따위의 제작물을 가리킨다. 근래에 사용자 제작 콘텐츠의 소재로 특정 제품을 리뷰하는 내용이 사용되고 있다.
한국공개특허 제2020-0021351호 (2020년02월28일 공개)
본 발명의 목적은 심층신경망을 이용하여 리뷰어를 선정하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 리뷰어를 선정하기 위한 방법은 데이터처리부가 신청자의 사이트 내에서의 활동 기록인 로그정보를 추출하는 단계와, 선정부가 로그정보를 심층학습모델인 선정모델에 입력하는 단계와, 선정모델이 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 통해 리뷰어 선정에 대한 우선순위를 확률로 표현한 후보등급벡터를 산출하는 단계와, 선정부가 후보등급벡터를 참조로 상기 신청자의 후보 등급을 결정하는 단계를 포함한다.
상기 후보등급벡터를 산출하는 단계는 구매비율예측망이 상기 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터를 산출하는 단계와, 구매수량예측망이 상기 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매수량예측벡터를 산출하는 단계와, 결합기가 상기 구매비율예측벡터 및 상기 구매수량예측벡터를 결합하여 병합벡터를 산출하는 단계와 후보등급산정망이 상기 병합벡터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 후보등급벡터를 산출하는 단계를 포함한다.
상기 방법은 상기 로그정보를 추출하는 단계 전, 모델생성부가 복수의 학습용 로그정보를 포함하는 학습용 데이터 배치를 마련하는 단계와,
모델생성부가 손실함수
Figure pat00001
의 하이퍼파라미터를 설정하는 단계와, 상기 학습용 데이터 배치 각각에 포함된 학습용 로그정보에 대한 레이블을 설정하는 단계와, 상기 모델생성부가 학습용 로그정보를 선정모델에 입력하는 단계와, 상기 선정모델이 상기 학습용 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터, 구매수량예측벡터 및 후보등급벡터를 순차로 산출하는 단계와, 상기 모델생성부가 상기 손실 함수를 통해 산출된 구매비율예측벡터, 구매수량예측벡터 및 후보등급벡터 각각에 대응하는 구매비율레이블, 구매수량레이블 및 등급레이블과의 차이인 엔트로피 손실이 최소가 되도록 선정모델의 가중치를 수정하는 단계를 포함한다.
상기 E는 손실을 의미하고, 상기
Figure pat00002
및 상기
Figure pat00003
는 하이퍼파라미터이고,
Figure pat00004
이고,
Figure pat00005
및
Figure pat00006
는 학습용 데이터 배치의 레이블의 분산 비율에 따라 설정된다. 상기 i는 학습용 로그정보에 대응하는 인덱스이고, 상기 ri는 i번째 학습용 로그정보에 대한 구매비율예측망의 출력값에 대응하는 레이블인 구매비율레이블이고, 상기 Ri는 i번째 학습용 로그정보에 대한 구매비율예측망의 출력값인 구매비율예측벡터이고, 상기 qi는 i번째 학습용 로그정보에 대한 구매수량예측망의 출력값에 대응하는 레이블인 구매수량레이블이고, 상기 Qi는 i번째 학습용 로그정보에 대한 구매수량예측망의 출력값인 구매수량예측벡터이고, 상기 gi는 i번째 학습용 로그정보에 대한 후보등급산정망의 출력값에 대응하는 레이블인 등급레이블이고, Gi는 i번째 학습용 로그정보에 대한 후보등급산정망의 출력값인 후보등급벡터인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 리뷰어를 선정하기 위한 장치는 신청자의 사이트 내에서의 활동 기록인 로그정보를 추출하는 데이터처리부와, 로그정보를 심층학습모델인 선정모델에 입력하여 선정모델이 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 통해 리뷰어 선정에 대한 우선순위를 확률로 표현한 후보등급벡터를 산출하도록 하고, 상기 후보등급벡터를 참조로 상기 신청자의 후보 등급을 결정하는 선정부를 포함한다.
본 발명에 따르면, 심층학습모델을 통해 로그정보를 이용하여 수익 창출의 가능성이 높거나, 더 많은 수익을 창출할 수 있는 리뷰 영상을 생성할 수 있는 신청자를 리뷰어로 선정할 수 있다.
도 1은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 장치의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 장치의 세부구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 전체적인 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 세부적인 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 출력값을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 학습용 데이터를 마련하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 학습용 데이터 배치를 마련하기 위한 벡터 공간을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 학습용 데이터 배치를 이용하여 선정모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 10은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 방법을 설명하기 위한 흐름도이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 시스템(이하, '선정시스템'으로 축약함)은 서비스서버(10) 및 복수의 사용자장치(20)를 포함한다.
서비스서버(10)는 기본적으로, 사용자가 직접 촬영한 제품에 대한 리뷰 영상을 제공하며, 리뷰 영상의 제품을 구매할 수 있도록 하는 인터페이스 혹은 링크를 제공한다. 이에 따라, 리뷰 영상을 시청한 다른 사용자가 해당 리뷰 영상과 연계된 인터페이스 혹은 링크를 통해 해당 제품을 구매하면, 해당 리뷰 영상의 업로드에 대한 급부로 인센티브를 제공한다. 리뷰 영상을 제작하는 리뷰어는 해당 제품을 제조 혹은 판매하는 업체가 제공한 제품을 사용하고, 리뷰 영상을 생성하거나, 자신이 직접 해당 제품을 구매하여 리뷰 영상을 제작하여 업로드 할 수 있다.
서비스서버(10)는 제품을 제조 혹은 판매하는 업체가 제공한 제품에 대한 리뷰 영상을 제작할 리뷰어를 선정할 수 있다. 이를 위하여, 서비스서버(10)는 해당 제품을 리뷰하고자 하는 신청자로부터 응모들 받고, 심층학습모델을 기반으로 응모한 복수의 신청자의 로그정보를 분석하여, 응모한 복수의 신청자 중 리뷰 영상을 통해 수익을 창출할 가능성이 높거나, 보다 높은 수익을 창출할 가능성이 높은 신청자에게 높은 등급을 부여하고, 등급이 높은 신청자에게 우선적으로 제품을 제공하여 리뷰 영상 제작 기회를 부여한다.
사용자장치(20)는 서비스서버(10)가 제공하는 서비스에 가입한 사용자가 사용하는 장치이다. 사용자장치(20)는 사용자의 조작에 따라 사용자가 제작한 리뷰 영상을 서비스서버(10)에 업로드하거나, 다른 사용자가 업로드한 리뷰 영상과 연계된 인터페이스 혹은 링크를 통해 제품을 구매할 수 있다. 이러한 사용자장치(20)는 퍼스널 컴퓨터, 랩톱 컴퓨터, 핸드헬드 장치, 멀티프로세서 시스템, 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 모바일 전화, 휴대폰, 이동통신단말기, 스마트폰, PDA, 태블릿(tablet), 패블릿(phablet) 등을 예시할 수 있다.
그러면, 전술한 서비스서버(10)의 구성에 대해 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 장치의 구성을 설명하기 위한 도면이다. 도 3은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 장치의 세부구성을 설명하기 위한 도면이다. 도 2를 참조하면, 본 발명의 실시예에 따른 서비스서버(10)는 통신모듈(11), 저장모듈(12) 및 제어모듈(13)을 포함한다.
통신모듈(11)은 네트워크를 통해 사용자장치(20)와 통신하기 위한 것이다. 통신모듈(11)은 사용자장치(20)와 데이터를 송수신 할 수 있다. 통신모듈(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신모듈(11)은 제어모듈(13)로부터 전달 받은 데이터를 네트워크를 통해 전송할 수 있다. 또한, 통신모듈(11)은 네트워크를 통해 수신되는 데이터를 제어모듈(13)로 전달할 수 있다.
저장모듈(12)은 서비스서버(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 예컨대, 저장모듈(12)은 본 발명의 실시예에 따른 학습용 데이터 등을 저장할 수 있다. 저장모듈(12)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다.
제어모듈(13)은 서비스서버(10)의 전반적인 동작 및 서비스서버(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어모듈(13)은 CPU(central processing unit), GPU(Graphic Processing Unit), DSP(Digital Signal Processor) 등이 될 수 있다.
도 3을 참조하면, 제어모듈(13)은 데이터처리부(100), 모델생성부(200) 및 선정부(300)를 포함한다.
데이터처리부(100)는 사용자장치(20)가 접속하면, 해당 사용자장치(20)의 로그정보를 지속적으로 수집하여 저장한다. 로그정보는 서비스서버(100)에 접속한 시간, 좋아요 누름 & 받음, 구매 이력, 1:1 대화 응대 시간, 업로드한 리뷰 영상의 수, 업로드 한 리뷰 영상을 시청한 사용자의 수 등의 정보를 포함한다. 또한, 데이터처리부(100)는 모든 사용자가 사용자장치(20)를 통해 업로드한 모든 리뷰 영상 각각에 대해 제품에 대한 리뷰 영상을 시청한 사용자 중 해당 제품을 구매한 사용자의 비율인 구매비율과, 해당 제품을 구매한 수량을 나타내는 구매수량을 저장모듈(12)에 저장한다.
모델생성부(200)는 심층신경망(deep neural network: DNN)인 선정모델(SM)을 학습(deep learning)을 통해 생성하기 위한 것이다. 이러한 모델생성부(200)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.
선정부(300)는 모델생성부(300)가 생성한 선정모델(SM)을 이용하여 리뷰를 원하는 제품에 대해 응모한 복수의 신청자에 대한 후보등급을 산정하고, 산정된 후보등급을 기초로 리뷰어를 선정할 수 있다. 이러한 선정부(300)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델에 대해서 설명하기로 한다. 도 4는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 전체적인 구성을 설명하기 위한 도면이다. 도 5는 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 세부적인 구성을 설명하기 위한 도면이다. 도 6은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 선정모델의 출력값을 설명하기 위한 도면이다.
도 4 내지 도 6을 참조하면, 선정모델(SM)은 로그정보가 입력되면, 로그정보에 대해 복수의 계층의 학습된 가중치가 적용되는 복수의 연산을 통해 로드정보에 대응하는 신청자의 리뷰어 선정에 대한 우선순위를 나타내는 후보 등급을 확률로 표현한 후보등급벡터를 산출한다. 전술한 바와 같이, 후보 등급은 리뷰어 선정에 대한 우선순위를 나타내며, 등급이 높을수록 리뷰어로 선정될 가능성이 높다. 이러한 후보 등급은 리뷰 영상을 통해 수익을 창출할 가능성 및 보다 높은 수익을 창출할 가능성에 따라 부여된다.
이러한 선정모델(SM)은 구매비율예측망(Purchasing Ratio Forecasting Network: PRFN), 구매수량예측망(Purchase Quantity Forecasting Network: PQFN), 및 후보등급산정망(Candidate Rating Network: CRN)을 포함한다.
구매비율예측망(PRFN)은 신청자의 로그정보가 입력되면, 입력된 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터(RV)를 산출한다. 구매비율예측벡터(RV)는 신청자가 제작한 제품에 대한 리뷰 영상을 보고 해당 제품을 구매하는 사용자의 비율을 예측하는 확률을 나타낸다.
구매수량예측망(PQFN)은 신청자의 로그정보가 입력되면, 입력된 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매수량예측벡터(QV)를 산출한다. 구매수량예측벡터(QV)는 신청자가 제작한 제품에 대한 리뷰 영상을 보고 해당 제품을 구매하는 사용자의 수를 예측하는 확률을 나타낸다.
결합기(ADDER)는 구매비율예측벡터(RV) 및 구매수량예측벡터(QV)를 병합하여 병합벡터(AV)를 생성하고, 생성된 병합벡터(AV)를 후보등급산정망(CRN)에 입력한다.
후보등급산정망(CRN)은 병합벡터(AV)가 입력되면, 병합벡터(AV)에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 통해 후보등급벡터(CLV)를 산출한다. 후보등급벡터(CLV)는 신청자가 복수의 후보 등급 각각에 포함될 확률을 나타낸다.
그러면, 전술한 구매비율예측망(PRFN) 및 구매수량예측망(PQFN)의 구성에 대해 보다 상세하게 설명하기로 한다. 도 5에 도시된 예와 같이, 구매비율예측망(PRFN) 및 구매수량예측망(PQFN)은 심층학습모델(Deep learning Model) 중 다층퍼셉트론(MLP: Multilayer Perceptron)이 될 수 있다. 구매비율예측망(PRFN) 및 구매수량예측망(PQFN) 각각은 복수의 계층(IL, HL, OL)을 포함한다. 이러한 복수의 계층은 입력층(IL: Input Layer), 복수의 은닉 계층(HL: Hidden Layer, HL1 내지 HLk) 및 출력층(OL: Output Layer)을 포함한다.
또한, 복수의 계층(IL, HL, OL) 각각은 복수의 노드를 포함한다. 예컨대, 도시된 바와 같이, 입력층(IL)은 n개의 입력노드(i1 ~ in)를 포함하며, 출력층(OL)은n개의 출력노드(O1 내지 On)를 포함할 수 있다. 또한, 은닉층(HL)은 k개(HL1, HL2, ..., HLk)가 될 수 있다. 은닉층(HL) 중 제1 은닉층(HL1)은 a개의 은닉노드(h11 내지 h1a)를 포함하고, 제2 은닉층(HL2)은 b개의 은닉노드(h21 내지 h2b)를 포함하고, 제k 은닉층(HLk)은 z개의 은닉노드(hk1 내지 hkz)를 포함할 수 있다.
복수의 계층의 복수의 노드 모두는 연산을 가진다. 이러한 연산은 활성화함수를 통해 이루어진다. 특히, 서로 다른 계층의 복수의 노드는 가중치(w: weight)를 가지는 채널(점선으로 표시)로 연결된다. 다른 말로, 어느 하나의 노드의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 즉, 구매비율예측망(PRFN) 및 구매수량예측망(PQFN) 각각의 어느 한 계층의 어느 하나의 노드는 이전 계층의 노드로부터의 입력에 가중치를 적용한 값을 입력 받고, 이를 합산하여 활성화 함수를 취하고, 이러한 결과를 다음 계층의 입력으로 전달한다. 이에 따라,
신청자의 로그정보가 구매비율예측망(PRFN) 및 구매수량예측망(PQFN)에 입력되면, 입력된 로그정보에 대해 복수의 계층(IL, HL, OL) 간의 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측망(PRFN)은 구매비율예측벡터(RV)를 산출하고, 구매수량예측망(PQFN)은 구매수량예측벡터(QV)를 산출한다. 다만, 구매비율예측망(PRFN) 및 구매수량예측망(PQFN) 각각이 학습에 의해 얻어지는 복수의 계층 간을 연결하는 학습된 가중치(w)는 상이하며, 이에 따라, 구매비율예측벡터(RV) 및 구매수량예측벡터(QV)는 서로 다른 값을 가진다.
보다 구체적으로 설명하면, 동일한 로그정보가 구매비율예측망(PRFN) 및 구매수량예측망(PQFN) 각각의 입력층(IL)에 입력되면, 구매비율예측망(PRFN) 및 구매수량예측망(PQFN) 각각은 입력된 로그정보에 대해 입력층(IL)으로부터 복수의 은닉층(HL1, HL2, …, HLk) 및 출력층(OL)까지 가중치가 적용되는 복수의 연산을 수행하여 출력값을 산출한다.
구매비율예측망(PRFN)의 출력층(OL)의 복수의 출력노드(O1 내지 On) 각각은 서로 다른 구매비율에 대응한다. 일례로, 복수의 출력노드(O1 내지 On) 각각은 구배비율이 2%, 4%, 6%, ..., 40%에 대응할 수 있다. 이에 따라, 제1 출력노드(O1) 내지 제n 출력노드(On) 각각의 출력값은 구매비율이 2%일 확률, 4%일 확률, 6%일 확률, ..., 40%일 확률을 나타낸다. 예컨대, 복수의 출력노드(O1 내지 On) 각각의 출력값이 [0.111, 0.722, 0.025, ... 0.044]이면, 구매비율이 2%일 확률이 11%, 4%일 확률이 72%, 6%일 확률이 3%, ..., 그리고 40%일 확률이 4%임을 나타낸다. 그리고 이러한 출력값 [0.111, 0.722, 0.025, ... 0.044]가 구매비율예측벡터(RV)이다.
구매수량예측망(PQFN)의 출력층(OL)의 복수의 출력노드(O1 내지 On) 각각은 서로 다른 구매량에 대응한다. 일례로, 복수의 출력노드(O1 내지 On) 각각은 구매량이 2개, 4개, 8개, ..., 400개에 대응할 수 있다. 이에 따라, 제1 출력노드(O1) 내지 제n 출력노드(On) 각각의 출력값은 구매량이 2개일 확률, 4개일 확률, 8개일 확률, ..., 400개일 확률을 나타낸다. 예컨대, 복수의 출력노드(O1 내지 On) 각각의 출력값이 [0.111, 0.722, 0.025, ... 0.044]이면, 구매량이 2개일 확률이 11%, 4개일 확률이 72%, 8개일 확률이 3%, ..., 그리고 400개일 확률이 4%임을 나타낸다. 그리고 이러한 출력값 [0.111, 0.722, 0.025, ... 0.044]가 구매수량예측벡터(QV)이다.
도 6을 참조하면, 후보등급산정망(CRN)은 완전연결층(FCL), 예측층(PL) 및 등급산출층(LL)을 포함한다.
완전연결층(FCL)은 m개의 연산노드(F1 내지 Fm)를 가진다. 완전연결층(FCL)은 구매비율예측벡터(RV) 및 구매수량예측벡터(QV)가 결합기(ADDER)에 의해 병합된 병합벡터(AV)를 입력받는다. 따라서 m=2n이다.
예측층(PL)은 n개의 예측노드(P1 내지 Pn)를 포함한다. 예측층(PL)은 완전연결층의 출력을 입력받아, 가중치 연산을 통해 산출된 출력값을 산출한다. 이러한 예측층(PL)의 출력인 잠재 벡터는 구매비율 및 구매량 양자 모두의 특징을 포함한다.
또한, 등급산출층(LL)은 v개의 등급노드(L1 내지 Lv)를 포함한다. 등급산출층(LL)은 예측층(PL)의 출력을 입력받아, 가중치가 적용되는 복수의 연산을 통해 후보등급벡터(CLV)를 산출한다. 후보등급벡터(CLV)는 신청자가 복수의 후보 등급 각각에 포함될 확률을 나타낸다.
마찬가지로, 후보등급산정망(CRN)은 복수의 계층(FCL, PL, LL)의 복수의 노드(F1 내지 Fm, P1 내지 Pn, L1 내지 Lv) 모두는 연산을 가진다. 즉, 후보등급산정망(CRN)의 어느 한 계층의 어느 하나의 노드는 이전 계층의 노드로부터의 입력에 가중치(w)를 적용한 값을 입력 받고, 이를 합산하여 활성화 함수를 취하고, 이러한 결과를 다음 계층의 입력으로 전달한다. 가중치를 적용한 연산은 전술한 구매비율예측망(PRFN) 및 구매수량예측망(PQFN)과 동일한 방식으로 이루어진다.
구매비율예측벡터(RV) 및 구매수량예측벡터(QV)를 포함하는 병합벡터(AV)가 후보등급산정망(CRN)의 완전연결층(FCL)에 입력되면, 입력된 병합벡터(AV)에 대해 완전연결층(FCL), 예측층(PL) 및 등급산출층(LL)은 순차로 가중치가 적용되는 복수의 연산을 수행하여 후보등급벡터(CLV)를 산출한다. 예를 들면, 등급산출층(LL)의 복수의 등급노드(L1 내지 Lv) 각각은 순차로 가장 높은 등급에서부터 가장 낮은 등급에 대응한다. 일례로, 복수의 등급노드(L1 내지 Lv) 각각은 1등급부터 v등급에 대응할 수 있다. 이에 따라, 제1 등급노드(L1) 내지 제v 등급노드(Lv) 각각의 출력값은 등급이, 1등급일 확률, 2등급일 확률, 3등급일 확률, ..., v등급일 확률을 나타낸다.
예컨대, 복수의 등급노드(L1 내지 Lv) 각각의 출력값이 각각 [0.055, 0.065, 0.750, ..., 0.084]이면, 신청자의 등급이 1등급일 확률이 6%, 2등급일 확률이 7%, 3등급일 확률이 75%, ..., 그리고 v등급일 확률이 8%임을 나타낸다. 이러한 출력값 [0.055, 0.065, 0.750, ..., 0.084]가 후보등급벡터(CLV)이다. 이와 같이, 선정모델(SM)이 후보등급벡터(CLV)를 출력하면, 선정부(300)는 후보등급벡터(CLV)를 참조하여 75%로 가장 높은 확률을 가지는 3등급을 해당 신청자의 등급으로 결정한다.
다음으로, 학습(deep learning)을 통해 전술한 바와 같은 선정모델(SM)을 생성하는 방법에 대해서 설명하기로 한다. 먼저, 학습(deep learning)을 위해 학습용 데이터를 마련해야 한다. 이러한 학습용 데이터를 마련하는 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 학습용 데이터를 마련하는 방법을 설명하기 위한 흐름도이다. 도 8은 본 발명의 실시예에 따른 학습용 데이터 배치를 마련하기 위한 벡터 공간을 설명하기 위한 도면이다.
도 7을 참조하면, 모델생성부(200)는 S110 단계에서 저장모듈(12)에 저장된 사용자 중 동영상 리뷰를 한번 이상 업로드한 사용자의 로그정보를 추출한다. 로그정보는 서비스서버(100)에 접속한 시간, 좋아요 누름 & 받음, 구매 이력, 1:1 대화 응대 시간, 업로드한 리뷰 영상의 수, 업로드 한 리뷰 영상을 시청한 사용자의 수 등의 활동 정보를 포함한다.
그런 다음, 모델생성부(200)는 S120 단계에서 추출된 로그정보를 다차원 벡터공간(VS)에 임베딩(embedding)하여 복수의 로그벡터를 생성한다. 예컨대, 모델생성부(200)는 로그정보를 평균 접속 시간 및 평균 대화 응대 시간을 포함하는 2개의 특징(feature)을 가지는 활동량 정보, 좋아요 누름 횟수 및 좋아요 받음 횟수를 포함하는 2개의 특징을 가지는 호감도 정보, 구매 제품의 종류 및 구매 제품의 수량을 포함하는 2개의 특징을 가지는 선호도 정보, 그리고, 업로드한 리뷰 영상의 수 및 업로드한 리뷰 영상을 시청한 사용자의 수를 포함하는 2개의 특징을 가지는 실행능력 정보로 구분할 수 있다. 그러면, 모델생성부(200)가 다차원의 벡터공간(VS)에 임베딩한 로그벡터는 4×2×2×2×2 차원의 텐서(tensor)로 생성될 수 있다.
모델생성부(200)는 S130 단계에서 다차원의 벡터공간(VS) 상에서 무작위로(randomly) 복수의 로그벡터 중 소정 수의 클러스터의 중심벡터를 선택한다.
다음으로, 모델생성부(200)는 S140 단계에서 도 8에 도시된 바와 같이, 다차원의 벡터공간(VS) 상에서 복수의 로그벡터(원형, 사각형 형태의 점들로 표시)를 소정 수의 클러스터의 중심벡터와의 거리에 따라 클러스터링하여 복수의 클러스터를 생성한다. 즉, S140 단계에서 모델생성부(200)는 벡터공간(VS) 상에서 복수의 로그벡터의 소정 수의 클러스터의 중심벡터 각각에 대한 거리를 산출하고, 복수의 로그벡터 각각을 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함시킨다. 그런 다음, 모델생성부(200)는 S150 단계에서 생성된 복수의 클러스터 별로 클러스터의 중심벡터를 다시 산출한다. 예컨대, S150 단계에서 모델생성부(200)는 각 클러스터의 복수의 로그벡터 중 중간값을 가지는 로그벡터를 중심벡터로 선정할 수 있다.
다음으로, 모델생성부(200)는 S160 단계에서 모든 로그벡터가 앞서(S150) 산출된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되었는지 여부를 확인한다.
S160 단계의 확인 결과, 모든 로그벡터가 앞서(S150) 산출된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되어 있지 않으면, 모델생성부(200)는 전술한 S140 단계 내지 S160 단계를 반복한다.
즉, 데이터처리부(100)는 다음의 수학식 1이 최소가 될 때까지 S140 단계 내지 S160 단계를 반복한다.
Figure pat00007
수학식 1에서, k는 클러스터의 인덱스이고, Xk는 k번째 클러스터의 중심벡터를 나타낸다. n은 로그벡터의 인덱스이고, Un은 n번째 로그벡터를 의미한다.
Figure pat00008
는 n번째 로그벡터가 k번째 클러스터에 속하면 1, 그렇지 않으면 0을 가지는 플래그 변수를 나타낸다.
반면, S160 단계의 확인 결과, 모든 로그벡터가 앞서(S150) 산출된 클러스터의 중심벡터와의 거리가 최소인 클러스터에 포함되어 있으면, 모델생성부(200)는 현재의 클러스터를 최적화된 클러스터로 결정한다.
그러면, 모델생성부(200)는 S180 단계에서 최적화된 복수의 클러스터 각각에 대해 동일한 클러스터 내에서 동종의 제품의 복수의 로그벡터를 추출한다. 예컨대, 도 8에 도시된 바와 같이, 모델생성부(200)는 벡터공간(VS)에서 어느 하나의 최적화된 클러스터(CL)에 포함된 복수의 로그벡터 중 동종의 제품의 복수의 로그벡터(hg)를 추출할 수 있다.
그런 다음, 모델생성부(200)는 S190 단계에서 추출된 복수의 로그벡터에 대응하는 로그정보를 학습용 데이터 배치(batch)로 검출한다.
그러면, 학습용 데이터 배치(Batch)를 이용하여 선정모델(SM)을 생성하는 방법에 대해서 설명하기로 한다. 도 9는 본 발명의 실시예에 따른 학습용 데이터 배치(Batch)를 이용하여 선정모델(SM)을 생성하는 방법을 설명하기 위한 흐름도이다. 도 9의 본 발명의 실시예에서 모델생성부(200)는 다음의 수학식 2와 같은 손실 함수를 통해 학습을 수행한다.
Figure pat00009
수학식 2에서, E는 손실을 의미한다.
Figure pat00010
및
Figure pat00011
는 하이퍼파라미터이며,
Figure pat00012
이다. 특히,
Figure pat00013
및
Figure pat00014
는 학습용 데이터 배치의 레이블의 분산 비율에 따라 설정된다. 또한, i는 학습 데이터에 대응하는 인덱스이다.
ri는 i번째 학습용 로그정보에 대한 구매비율예측망(PRFN)의 출력값에 대응하는 레이블인 구매비율레이블이고, Ri는 i번째 학습용 로그정보에 대한 구매비율예측망(PRFN)의 출력값인 구매비율예측벡터(RV)이다.
qi는 i번째 학습용 로그정보에 대한 구매수량예측망(PQFN)의 출력값에 대응하는 레이블인 구매수량레이블이고, Qi는 i번째 학습용 로그정보에 대한 구매수량예측망(PQFN)의 출력값인 구매수량예측벡터(QV)이다.
그리고 gi는 i번째 학습용 로그정보에 대한 후보등급산정망(CRN)의 출력값에 대응하는 레이블인 등급레이블이고, Gi는 i번째 학습용 로그정보에 대한 후보등급산정망(CRN)의 출력값인 후보등급벡터(CLV)를 나타낸다.
도 9를 참조하면, 모델생성부(200)는 S210 단계에서 학습용 데이터 배치(Batch)를 마련한다. 학습용 데이터 배치(Batch)를 마련하는 구체적인 방법에 대해서는 앞서 도 7 및 도 8을 참조로 설명되었다.
다음으로, 모델생성부(200)는 S220 단계에서 하이퍼파라미터를 설정한다. 이때, 모델생성부(200)는 저장모듈(12)에서 하나의 학습용 데이터 배치에 포함된 복수의 로그정보 각각에 대응하는 복수의 구매비율 및 구매수량을 추출하고, 복수의 구매비율 및 구매수량 각각의 분산을 구하고, 구해진 분산에 따라 하이퍼파라미터를 설정한다. 즉, 복수의 구매비율의 분산을 기초로 하이퍼파라미터
Figure pat00015
를 설정하고, 복수의 구매수량의 분산을 기초로 하이퍼파라미터
Figure pat00016
를 설정한다. 이때, 모델생성부(200)는 분산값이 작을수록 하이퍼파라미터의 값을 상대적으로 작게 설정하고, 분산값이 클수록 하이퍼파라미터의 값을 상대적으로 크게 설정한다. 이러한 하이퍼파라미터의 설정을 통해 상관도가 높은 데이터가 반복하여 사용되는 것으로 인한 다중공선성 문제를 해결할 수 있다.
다음으로, 모델생성부(200)는 S230 단계에서 저장모듈(12)에서 필요한 정보를 추출하여 학습용 데이터 배치 각각에 포함된 학습용 로그정보에 대응하는 레이블을 설정한다. 이러한 레이블은 구매비율레이블(ri), 구매수량레이블(qi) 및 등급레이블(gi)을 포함한다. 구매비율레이블(ri)은 로그정보에 대응하는 평균구매비율이다. 구매수량레이블(qi)은 로그정보에 대응하는 평균구매수량이다. 등급레이블(gi)은 로그정보에 대응하는 사용자의 리뷰어 등급이다.
전술한 바와 같이, 데이터처리부(100)는 모든 사용자가 업로드한 모든 리뷰 영상 각각에 대해 제품에 대한 리뷰 영상을 시청한 사용자 중 해당 제품을 구매한 사용자의 비율인 구매비율과, 해당 제품을 구매한 수량을 나타내는 구매수량을 저장모듈(12)에 저장한다. 따라서 모델생성부(200)는 로그정보에 대응하는 사용자가 업로드한 모든 리뷰 영상에 대해 구매비율을 추출하고, 그 평균인 평균구매비율을 구매비율레이블(ri)로 설정할 수 있다. 또한, 모델생성부(200)는 로그정보에 대응하는 사용자가 업로드한 모든 리뷰 영상에 대한 구매수량을 추출하여 그 평균인 평균구매수량을 구매수량레이블(qi)로 설정할 수 있다.
레이블은 원핫인코딩벡터(one-hot encoding vector)를 적용하여 설정된다. 일례로, 복수의 출력노드(O1 내지 On) 각각은 구배비율이 2%, 4%, 6%, ..., 40%에 대응한다고 가정한다. 이때, 학습용 로그정보에 대응하는 사용자의 모든 리뷰 영상에 대한 평균구매비율이 40%이면, 구매비율레이블(ri)은 [0, 0, 0, ..., 1]로 설정될 수 있다.
이어서, 모델생성부(200)가 학습용 로그정보를 선정모델(SM)에 입력하면, 선정모델(SM)은 S240 단계에서 입력된 학습용 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터(RV), 구매수량예측벡터(QV) 및 후보등급벡터(CLV)를 산출한다. 보다 구체적으로 설명하면, 구매비율예측망(PRFN)이 학습용 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터(RV)를 산출하고, 구매수량예측망(PQFN)이 학습용 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매수량예측벡터(QV)를 산출한다. 그런 다음, 결합기(ADDER)가 구매비율예측벡터(RV) 및 구매수량예측벡터(QV)를 결합하여 병합벡터(AV)를 산출하면, 후보등급산정망(CRN)이 병합벡터(AV)에 대해 복수의 계층(FCL, PL, LL) 간 가중치가 적용되는 복수의 연산을 수행하여 후보등급벡터(CLV)를 산출한다.
그러면, 모델생성부(200)는 S250 단계에서 수학식 2와 같은 손실 함수를 통해 구매비율예측벡터(RV), 구매수량예측벡터(QV) 및 후보등급벡터(CLV)를 포함하는 출력값과, 구매비율예측벡터(RV), 구매수량예측벡터(QV) 및 후보등급벡터(CLV)각각에 대응하는 레이블, 즉, 구매비율레이블(ri), 구매수량레이블(qi), 등급레이블(gi)의 차이인 엔트로피 손실이 최소가 되도록 역전파(Back-propagation) 알고리즘을 통해 선정모델(SM)의 가중치(w)를 수정하는 최적화를 수행한다.
전술한 S210 단계 내지 S250 단계는 학습용 데이터 배치 내의 모든 학습용 로그정보에 대해 수행된다. 그런 다음, 평가 지표를 통해 정확도를 산출하고, 목표하는 정확도에 도달할 때까지 서로 다른 복수의 학습용 데이터 배치를 통해 반복하여 수행될 수 있다.
다음으로, 전술한 바와 같이, 선정모델(SM)에 대한 학습이 완료된 후, 선정모델(SM)을 이용하여 리뷰어를 선정하기 위한 방법에 대해서 설명하기로 한다. 도 10은 본 발명의 실시예에 따른 심층신경망을 이용한 리뷰어를 선정하기 위한 방법을 설명하기 위한 흐름도이다.
복수의 사용자장치(20)는 사용자의 조작에 따라 서비스서버(10)에 접속하여 리뷰를 원하는 제품에 대해 응모할 수 있다. 서비스서버(10)는 응모 기간이 종료되면, 응모한 모든 신청자 각각에 대해 다음과 같은 절차에 따라 후보 등급을 산정한다.
도 10을 참조하면, 데이터처리부(100)는 S310 단계에서 저장모듈(12)에서 신청자의 로그정보를 추출하여 선정부(300)에 제공한다. 선정부(300)는 S320 단계에서 데이터처리부(100)로부터 제공받은 로그정보를 선정모델(SM)에 입력한다. 그러면, 선정모델(SM)은 S330 단계에서 입력된 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 로그정보에 대응하는 신청자가 복수의 후보 등급 각각에 포함될 확률을 나타내는 후보등급벡터(CLV)를 산출한다. 보다 구체적으로 설명하면, 구매비율예측망(PRFN)이 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터(RV)를 산출하고, 구매수량예측망(PQFN)이 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매수량예측벡터(QV)를 산출한다. 그런 다음, 결합기(ADDER)가 구매비율예측벡터(RV) 및 구매수량예측벡터(QV)를 결합하여 병합벡터(AV)를 산출하면, 후보등급산정망(CRN)이 병합벡터(AV)에 대해 복수의 계층(FCL, PL, LL) 간 가중치가 적용되는 복수의 연산을 수행하여 후보등급벡터(CLV)를 산출한다.
그러면, 선정부(300)는 S340 단계에서 후보등급벡터(CLV)를 참조로 신청자의 후보 등급을 결정한다. 예컨대, 도 6에 도시된 바와 같이, 복수의 등급노드(L1 내지 Lv)는 후보등급 1등급 내지 v등급에 대응한다고 가정하고, 복수의 등급노드(L1 내지 Lv)의 출력값인 후보등급벡터(CLV)가 [0.086, 0.028, 0.732, ..., 0.009]이면, 1등급일 확률이 9%, 2등급일 확률이 3%, 3등급일 확률이 73%, 그리고 v등급일 확률이 1%임을 나타낸다. 그러면, 선정부(300)는 해당 신청자의 후보 등급을 3등급으로 결정한다.
전술한 바와 같은 방식으로 모든 신청자에 대한 후보 등급이 결정되면, 선정부(300)는 후보 등급이 높은 순서에 따라 리뷰어를 배정할 수 있다.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 서비스서버 11: 통신모듈
12: 저장모듈 13: 제어모듈
20: 사용자장치 100: 데이터처리부
200: 모델생성부 300: 선정부

Claims (4)

  1. 리뷰어를 선정하기 위한 방법에 있어서,
    데이터처리부가 신청자의 사이트 내에서의 활동 기록인 로그정보를 추출하는 단계;
    선정부가 로그정보를 심층학습모델인 선정모델에 입력하는 단계;
    선정모델이 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 통해 리뷰어 선정에 대한 우선순위를 확률로 표현한 후보등급벡터를 산출하는 단계; 및
    선정부가 후보등급벡터를 참조로 상기 신청자의 후보 등급을 결정하는 단계;
    를 포함하는 것을 특징으로 하는
    리뷰어를 선정하기 위한 방법.
  2. 제1항에 있어서,
    상기 후보등급벡터를 산출하는 단계는
    구매비율예측망이 상기 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터를 산출하는 단계;
    구매수량예측망이 상기 로그정보에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 구매수량예측벡터를 산출하는 단계;
    결합기가 상기 구매비율예측벡터 및 상기 구매수량예측벡터를 결합하여 병합벡터를 산출하는 단계; 및
    후보등급산정망이 상기 병합벡터에 대해 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 후보등급벡터를 산출하는 단계;
    를 포함하는 것을 특징으로 하는
    리뷰어를 선정하기 위한 방법.
  3. 제2항에 있어서,
    상기 로그정보를 추출하는 단계 전,
    모델생성부가 복수의 학습용 로그정보를 포함하는 학습용 데이터 배치를 마련하는 단계;
    모델생성부가 손실함수
    Figure pat00017

    의 하이퍼파라미터를 설정하는 단계;
    상기 학습용 데이터 배치 각각에 포함된 학습용 로그정보에 대한 레이블을 설정하는 단계;
    상기 모델생성부가 학습용 로그정보를 선정모델에 입력하는 단계;
    상기 선정모델이 상기 학습용 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 구매비율예측벡터, 구매수량예측벡터 및 후보등급벡터를 순차로 산출하는 단계;
    상기 모델생성부가 상기 손실 함수를 통해 산출된 구매비율예측벡터, 구매수량예측벡터 및 후보등급벡터 각각에 대응하는 구매비율레이블, 구매수량레이블 및 등급레이블과의 차이인 엔트로피 손실이 최소가 되도록 선정모델의 가중치를 수정하는 단계;
    를 포함하며,
    상기 E는 손실을 의미하고,
    상기
    Figure pat00018
    및 상기
    Figure pat00019
    는 하이퍼파라미터이고,
    Figure pat00020
    이고,
    Figure pat00021
    및
    Figure pat00022
    는 학습용 데이터 배치의 레이블의 분산 비율에 따라 설정되고,
    상기 i는 학습용 로그정보에 대응하는 인덱스이고,
    상기 ri는 i번째 학습용 로그정보에 대한 구매비율예측망의 출력값에 대응하는 레이블인 구매비율레이블이고,
    상기 Ri는 i번째 학습용 로그정보에 대한 구매비율예측망의 출력값인 구매비율예측벡터이고,
    상기 qi는 i번째 학습용 로그정보에 대한 구매수량예측망의 출력값에 대응하는 레이블인 구매수량레이블이고,
    상기 Qi는 i번째 학습용 로그정보에 대한 구매수량예측망의 출력값인 구매수량예측벡터이고,
    상기 gi는 i번째 학습용 로그정보에 대한 후보등급산정망의 출력값에 대응하는 레이블인 등급레이블이고,
    Gi는 i번째 학습용 로그정보에 대한 후보등급산정망의 출력값인 후보등급벡터인 것을 특징으로 하는
    리뷰어를 선정하기 위한 방법.
  4. 리뷰어를 선정하기 위한 장치에 있어서,
    신청자의 사이트 내에서의 활동 기록인 로그정보를 추출하는 데이터처리부;
    로그정보를 심층학습모델인 선정모델에 입력하여
    선정모델이 로그정보에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 통해 리뷰어 선정에 대한 우선순위를 확률로 표현한 후보등급벡터를 산출하도록 하고,
    상기 후보등급벡터를 참조로 상기 신청자의 후보 등급을 결정하는 선정부;
    를 포함하는 것을 특징으로 하는
    리뷰어를 선정하기 위한 장치.
KR1020200189466A 2020-12-31 2020-12-31 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법 KR20220096744A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200189466A KR20220096744A (ko) 2020-12-31 2020-12-31 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200189466A KR20220096744A (ko) 2020-12-31 2020-12-31 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20220096744A true KR20220096744A (ko) 2022-07-07

Family

ID=82398173

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200189466A KR20220096744A (ko) 2020-12-31 2020-12-31 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR20220096744A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102554242B1 (ko) * 2022-09-07 2023-07-11 유희주 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200021351A (ko) 2018-08-20 2020-02-28 (주)고팔 중고차 예상가격 제공시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200021351A (ko) 2018-08-20 2020-02-28 (주)고팔 중고차 예상가격 제공시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102554242B1 (ko) * 2022-09-07 2023-07-11 유희주 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Similar Documents

Publication Publication Date Title
CN111368210A (zh) 基于人工智能的信息推荐方法、装置以及电子设备
US20140180978A1 (en) Instance weighted learning machine learning model
CN111241394B (zh) 数据处理方法、装置、计算机可读存储介质及电子设备
CN112035743B (zh) 数据推荐方法、装置、计算机设备以及存储介质
KR102551997B1 (ko) 콘텐츠 시청 성향 분석 기반 광고 콘텐츠 기획 자동화 및 커머스 플랫폼 서비스 제공 방법, 장치 및 시스템
CN112269943B (zh) 一种信息推荐系统及方法
CN113034168A (zh) 内容项投放方法、装置、计算机设备及存储介质
KR20220096744A (ko) 심층학습모델을 기반으로 리뷰어를 선정하기 위한 장치 및 이를 위한 방법
US20240046922A1 (en) Systems and methods for dynamically updating machine learning models that provide conversational responses
CN113836390B (zh) 资源推荐方法、装置、计算机设备及存储介质
CN115129975B (zh) 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN115525831A (zh) 推荐模型训练方法、推荐方法、装置及计算机可读存储介质
CN114611015A (zh) 交互信息处理方法、装置和云服务器
CN114707633A (zh) 特征提取方法、装置、电子设备和存储介质
CN114996435A (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
CN116881575B (zh) 内容推送方法、装置、计算机设备和存储介质
M. Gironacci Extended reality experiences prediction using collaborative filtering
CN110543973A (zh) 数据预测、数据预测结果的调整方法、装置及设备
KR20220096745A (ko) 심층신경망을 이용한 중고 차량의 가격을 예측하기 위한 장치 및 이를 위한 방법
CN113836391B (zh) 资源推荐方法、装置、计算机设备及存储介质
CN111626805B (zh) 信息展示方法和装置
CN114077701A (zh) 资源信息的确定方法、装置、计算机设备及存储介质
CN116955805A (zh) 业务目标预测模型的训练方法、信息推荐方法及相关装置
CN116166870A (zh) 一种数据处理方法、计算机设备以及可读存储介质
CN116975426A (zh) 业务数据处理方法、装置、设备以及介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application